In example-based human pose estimation, the configuration of an evolving object is sought given visual evidence, having to rely uniquely on a set of sample images. We assume here that, at each time instant of a training session, a number of feature measurements is extracted from the available images, while ground truth is provided in the form of the true object pose. In this scenario, a sensible approach consists in learning maps from features to poses, using the information provided by the training set. In particular, multivalued mappings linking feature values to set of training poses can be constructed. To this purpose we propose a belief modeling regression (BMR) approach in which a probability measure on any individual feature space maps to a convex set of probabilities on the set of training poses, in a form of a belief function. Given a test image, its feature measurements translate into a collection of belief functions on the set of training poses which, when combined, yield there an entire family of probability distributions. From the latter either a single central pose estimate or a set of extremal ones can be computed, together with a measure of how reliable the estimate is. Contrarily to other competing models, in BMR the sparsity of the training samples can be taken into account to model the level of uncertainty associated with these estimates. We illustrate BMR's performance in an application to human pose recovery, showing how it outperforms our implementation of both relevant vector machine and Gaussian process regression. Finally, we discuss motivation and advantages of the proposed approach with respect to its most direct competitors.

中文翻译：

---

一种基于示例的姿态估计的信念理论方法

在基于示例的人体姿态估计中，在给定视觉证据的情况下寻找不断发展的对象的配置，必须唯一依赖于一组样本图像。我们在这里假设，在训练课程的每个时刻，从可用图像中提取许多特征测量值，而地面实况以真实物体姿态的形式提供。在这种情况下，一种明智的方法是使用训练集提供的信息来学习从特征到姿势的地图。特别是，可以构建将特征值链接到一组训练姿势的多值映射。为此，我们提出了一种置信建模回归 (BMR) 方法，其中任何单个特征空间的概率度量以置信函数的形式映射到一组训练姿势的凸概率集。给定一张测试图像，它的特征测量转化为一组训练姿势上的置信函数集合，当组合在一起时，会产生一整套概率分布。从后者可以计算单个中央姿态估计或一组极值，以及估计的可靠性的度量。与其他竞争模型相反，在 BMR 中，可以考虑训练样本的稀疏性来对与这些估计相关的不确定性水平进行建模。我们说明了 BMR 在人体姿势恢复应用中的性能，展示了它如何优于我们对相关向量机和高斯过程回归的实现。最后，我们讨论了所提议方法相对于其最直接竞争对手的动机和优势。它的特征测量转化为一组训练姿势的置信函数集合，当这些函数组合在一起时，会产生一整套概率分布。从后者可以计算单个中央姿态估计或一组极值，以及估计的可靠性的度量。与其他竞争模型相反，在 BMR 中，可以考虑训练样本的稀疏性来对与这些估计相关的不确定性水平进行建模。我们说明了 BMR 在人体姿势恢复应用中的性能，展示了它如何优于我们对相关向量机和高斯过程回归的实现。最后，我们讨论了所提议方法相对于其最直接竞争对手的动机和优势。它的特征测量转化为一组训练姿势的置信函数集合，当这些函数组合在一起时，会产生一整套概率分布。从后者可以计算单个中央姿态估计或一组极值，以及估计的可靠性的度量。与其他竞争模型相反，在 BMR 中，可以考虑训练样本的稀疏性来对与这些估计相关的不确定性水平进行建模。我们说明了 BMR 在人体姿势恢复应用中的性能，展示了它如何优于我们对相关向量机和高斯过程回归的实现。最后，我们讨论了所提议方法相对于其最直接竞争对手的动机和优势。